Simulink を使用した深層学習

Simulink を使用した深層学習のワークフローの拡張

Deep Learning Toolbox™ に含まれる Deep Neural Networks、Python Neural Networks、および Deep Learning Layers の各ブロックライブラリのブロックを使用するか、Computer Vision Toolbox™ に含まれる Analysis & Enhancement ブロックライブラリの Deep Learning Object Detector ブロックを使用して、Simulink^® モデルの深層学習機能を実装します。

Deep Learning Layers ブロックライブラリを使用してネットワークを表す Simulink モデルを生成するには、exportNetworkToSimulink 関数を使用します。

Simulink の一部の深層学習機能では、サポートされているコンパイラを必要とする MATLAB Function ブロックを使用しています。ほとんどのプラットフォームでは、既定の C コンパイラが MATLAB^® インストールで提供されます。C++ 言語を使用する場合は、互換性のある C++ コンパイラをインストールしなければなりません。サポートされているコンパイラのリストを確認するには、Supported and Compatible Compilers を開き、オペレーティングシステムに対応するタブをクリックして、Simulink Product Family テーブルを見つけ、For Model Referencing, Accelerator mode, Rapid Accelerator mode, and MATLAB Function blocks 列に移動します。システムに複数の MATLAB 対応コンパイラがインストールされている場合は、mex -setup コマンドを使用して既定のコンパイラを変更できます。既定のコンパイラの変更を参照してください。

関数

exportNetworkToSimulink Generate Simulink model that contains deep learning layer blocks and subsystems that correspond to deep learning layer objects (R2024b 以降)

ブロック

すべて展開する

ネットワーク

Image Classifier	学習済み深層学習ニューラルネットワークを使用したデータの分類
Predict	学習済み深層学習ニューラルネットワークを使用した応答の予測
Stateful Classify	学習済み深層学習再帰型ニューラルネットワークを使用したデータの分類 (R2021a 以降)
Stateful Predict	学習済み再帰型ニューラルネットワークを使用した応答の予測 (R2021a 以降)
Deep Learning Object Detector	学習済み深層学習オブジェクト検出器を使用したオブジェクトの検出 (R2021b 以降)
TensorFlow Model Predict	Predict responses using pretrained Python TensorFlow model (R2024a 以降)
PyTorch Model Predict	Predict responses using pretrained Python PyTorch model (R2024a 以降)
ONNX Model Predict	Predict responses using pretrained Python ONNX model (R2024a 以降)
Custom Python Model Predict	Predict responses using pretrained custom Python model (R2024a 以降)

活性化層

Clipped ReLU Layer	Clipped Rectified Linear Unit (ReLU) layer (R2024b 以降)
GELU Layer	Gaussian error linear unit (GELU) layer (R2024b 以降)
Leaky ReLU Layer	Leaky rectified linear unit (ReLU) layer (R2024b 以降)
ReLU Layer	Rectified linear unit (ReLU) layer (R2024b 以降)
Sigmoid Layer	Sigmoid layer (R2024b 以降)
Softmax Layer	Softmax layer (R2024b 以降)
Tanh Layer	Hyperbolic tangent (tanh) layer (R2024a 以降)

結合層

Addition Layer	Addition layer (R2024b 以降)
Concatenation Layer	Concatenation layer (R2024b 以降)
Depth Concatenation Layer	Depth concatenation layer (R2024b 以降)
Multiplication Layer	Multiplication layer (R2024b 以降)

畳み込み層と全結合層

Convolution 1D Layer	1-D convolutional layer (R2024b 以降)
Convolution 2D Layer	2-D convolutional layer (R2024b 以降)
Convolution 3D Layer	3-D convolutional layer (R2024b 以降)
Fully Connected Layer	Fully connected layer (R2024b 以降)

入力層の正規化

Rescale-Symmetric 1D	1-D input layer with `rescale-symmetric` normalization (R2024b 以降)
Rescale-Symmetric 2D	2-D input layer with `rescale-symmetric` normalization (R2024b 以降)
Rescale-Symmetric 3D	3-D input layer with `rescale-symmetric` normalization (R2024b 以降)
Rescale-Zero-One 1D	1-D input layer with `rescale-zero-one` normalization (R2024b 以降)
Rescale-Zero-One 2D	2-D input layer with `rescale-zero-one` normalization (R2024b 以降)
Rescale-Zero-One 3D	3-D input layer with `rescale-zero-one` normalization (R2024b 以降)
Zerocenter 1D	1-D input layer with `zerocenter` normalization (R2024b 以降)
Zerocenter 2D	2-D input layer with `zerocenter` normalization (R2024b 以降)
Zerocenter 3D	3-D input layer with `zerocenter` normalization (R2024b 以降)
Zscore 1D	1-D input layer with `zscore` normalization (R2024b 以降)
Zscore 2D	2-D input layer with `zscore` normalization (R2024b 以降)
Zscore 3D	3-D input layer with `zscore` normalization (R2024b 以降)

正規化層

Batch Normalization Layer	Batch normalization layer (R2024b 以降)
Layer Normalization Layer	Layer normalization layer (R2024b 以降)

プーリング層

Average Pooling 1D Layer	1-D average pooling layer (R2024b 以降)
Average Pooling 2D Layer	2-D average pooling layer (R2024b 以降)
Average Pooling 3D Layer	3-D average pooling layer (R2024b 以降)
Global Average Pooling 1D Layer	1-D global average pooling layer (R2024b 以降)
Global Average Pooling 2D Layer	2-D global average pooling layer (R2024b 以降)
Global Average Pooling 3D Layer	3-D global average pooling layer (R2024b 以降)
Global Max Pooling 1D Layer	1-D global max pooling layer (R2024b 以降)
Global Max Pooling 2D Layer	2-D global max pooling layer (R2024b 以降)
Global Max Pooling 3D Layer	3-D global max pooling layer (R2024b 以降)
Max Pooling 1D Layer	1-D max pooling layer (R2024b 以降)
Max Pooling 2D Layer	2-D max pooling layer (R2024b 以降)
Max Pooling 3D Layer	3-D max pooling layer (R2024b 以降)

シーケンス層

Flatten Layer	Flatten layer (R2024b 以降)
GRU Layer	Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (R2025a 以降)
GRU Projected Layer	Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (R2025a 以降)
LSTM Layer	Long short-term memory (LSTM) layer for recurrent neural network (RNN) (R2024b 以降)
LSTM Projected Layer	Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (R2024b 以降)

ユーティリティ層

Dropout Layer

Dropout layer (R2024b 以降)

トピック

深層学習層ブロック

List of Deep Learning Layer Blocks and Subsystems
Discover all the deep learning layer blocks and subsystems in Simulink.
Implement Unsupported Deep Learning Layer Blocks
This example shows how to implement layers using Simulink blocks or MATLAB code in a MATLAB Function block.

イメージ

GoogLeNet を使用した Simulink でのイメージの分類
この例では、Image Classifier ブロックを使用して、Simulink® でイメージを分類する方法を説明します。
Acceleration for Simulink Deep Learning Models
Improve simulation speed with accelerator and rapid accelerator modes.
深層学習を使用した Simulink での車線検出と車両検出
この例では、Simulink® モデル内で深層畳み込みニューラルネットワークを使用して、車線検出と車両検出を実行する方法を示します。
深層学習を使用した Simulink での ECG 信号の分類
この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。
Classify Images in Simulink with Imported TensorFlow Network
Import a pretrained TensorFlow™ network using importTensorFlowNetwork, and then use the Predict block for image classification in Simulink.

シーケンス

Simulink でのネットワークの状態の予測と更新
この例では、Stateful Predict ブロックを使用して、学習済みの再帰型ニューラルネットワークの応答を Simulink® で予測する方法を説明します。
Simulink でのネットワークの状態の分類と更新
この例では、Stateful Classify ブロックを使用して、Simulink® で学習済みの再帰型ニューラルネットワークのデータを分類する方法を説明します。
Speech Command Recognition in Simulink
Detect the presence of speech commands in audio using a Simulink model.
深層学習ネットワークを使用した Simulink での時系列の予測
この例では、Simulink® モデル内で LSTM 深層学習ネットワークを使用し、エンジンの残存耐用年数 (RUL) を予測する方法を示します。
Simulate Calorie Burn Using Neural Network in Simulink
This example shows how to include a simple fully connected neural network in a Simulink® model that predicts calorie burn when given five time steps of sensor readings from a smart watch.
深層学習を使用したバッテリー充電状態の推定
要件の定義、データの準備、深層学習ネットワークの学習、ロバスト性の検証、Simulink へのネットワークの統合、モデルの展開を行う。 (R2024b 以降)
Simulink における LSTM ネットワークを使用した物理システムのモデリング
この例では、長短期記憶 (LSTM) ニューラルネットワークを使用して、Simulink® モデルでバーチャルセンサーとして機能する低次元化モデル (ROM) を作成する方法を示します。
Classify Motor Faults Using Deep Learning
This example shows how to train a deep learning model to classify faults in a permanent magnet synchronous motor (PMSM) using simulated data across various revolutions per minute (RPM). You use Simscape Electrical™ to create the model for a fault scenario, then use Deep Learning Toolbox™ to train a neural network to classify the fault data. (R2025a 以降)
Improve Performance of Deep Learning Simulations in Simulink
This example shows how to use code generation to improve the performance of deep learning simulations in Simulink®.

強化学習

DDPG エージェントを使用したタンク内の水位の制御 (Reinforcement Learning Toolbox)
Simulink で学習環境としてモデル化されたプラントを使用し、強化学習を使ってコントローラーに学習させる。
アダプティブクルーズコントロール用の DDPG エージェントの学習 (Reinforcement Learning Toolbox)
アダプティブクルーズコントロールアプリケーション用の DDPG エージェントに学習させる。
並列計算を使用した車線維持支援用 DQN エージェントの学習 (Reinforcement Learning Toolbox)
並列計算を使用して自動運転アプリケーションのために DQN エージェントに学習させる。
経路追従制御用の DDPG エージェントの学習 (Reinforcement Learning Toolbox)
車線追従制御用に DDPG エージェントに学習させる。

Python の共同実行

Classify Images Using TensorFlow Model Predict Block
Classify images using TensorFlow Model Predict block.
Classify Images Using ONNX Model Predict Block
Classify images using ONNX Model Predict block.
Classify Images Using PyTorch Model Predict Block
Classify images using PyTorch Model Predict block.
Predict Responses Using TensorFlow Model Predict Block
Predict Responses Using TensorFlow Model Predict block.
Predict Responses Using ONNX Model Predict Block
Predict Responses Using ONNX Model Predict block.
Predict Responses Using PyTorch Model Predict Block
Predict Responses Using PyTorch Model Predict block.
Simulink でのカスタム Python モデルを使用した応答の予測 (Statistics and Machine Learning Toolbox)
この例では、Custom Python Model Predict (Statistics and Machine Learning Toolbox)ブロックを Simulink® での予測に使用する方法を示します。

コード生成

Simulink アプリケーションからの深層学習コードの生成
デスクトップまたは組み込みターゲットに展開するための C/C++ コードおよび GPU コードの生成
Export Network to FMU
This example shows how to export a trained network as a Functional Mock-up Unit (FMU). (R2023b 以降)

注目の例

深層学習を使用した Simulink での車線検出と車両検出

この例では、Simulink® モデル内で深層畳み込みニューラルネットワークを使用して、車線検出と車両検出を実行する方法を示します。この例では、交通量ビデオのフレームを入力として受け取り、自車の左右の車線に対応する 2 つの車線境界線を出力し、フレーム内の車両を検出します。

スクリプトを開く

深層学習を使用した Simulink での ECG 信号の分類

この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。この例では、Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類" の例にある事前学習済みの畳み込みニューラルネットワークを使用して、時系列データの CWT からのイメージを基に ECG 信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類 (Wavelet Toolbox)を参照してください。

スクリプトを開く

深層学習ネットワークを使用した Simulink での時系列の予測

この例では、Simulink® モデル内で LSTM 深層学習ネットワークを使用し、エンジンの残存耐用年数 (RUL) を予測する方法を示します。ここでは、Stateful Predict ブロックを使用してこのネットワークを Simulink モデルに組み込み、シミュレーションステップごとに RUL を予測させます。

ライブスクリプトを開く

フィードフォワードニューラルネットワークを使用した Simulink でのバッテリー充電状態の推定

この例では、Simulink® モデル内でフィードフォワード深層学習ネットワークを使用してバッテリーの充電状態 (SOC) を予測する方法を示します。ここでは、Predict ブロックを使用してこのネットワークを Simulink モデルに組み込み、シミュレーションステップごとに SOC を予測させます。

ライブスクリプトを開く

Profile Deep Learning Network for Deployment

Profile a deep learning network in Simulink. Profiling your network before training is a good way of checking that the network meets your requirements, before spending time on training. This example shows how to check:

R2025a 以降
ライブスクリプトを開く